Digital Display Precision Predictor: the prototype of a global biomarker model to guide treatments with targeted therapy and predict progression-free survival
Notice bibliographique
Résumé
The expanding targeted therapy landscape requires combinatorial biomarkers for patient stratification and treatment selection. This requires simultaneous exploration of multiple genes of relevant networks to account for the complexity of mechanisms that govern drug sensitivity and predict clinical outcomes. We present the algorithm, Digital Display Precision Predictor (DDPP), aiming to identify transcriptomic predictors of treatment outcome. For example, 17 and 13 key genes were derived from the literature by their association with MTOR and angiogenesis pathways, respectively, and their expression in tumor versus normal tissues was associated with the progression-free survival (PFS) of patients treated with everolimus or axitinib (respectively) using DDPP. A specific eight-gene set best correlated with PFS in six patients treated with everolimus: AKT2, TSC1, FKB-12, TSC2, RPTOR, RHEB, PIK3CA, and PIK3CB (r = 0.99, p = 5.67E-05). A two-gene set best correlated with PFS in five patients treated with axitinib: KIT and KITLG (r = 0.99, p = 4.68E-04). Leave-one-out experiments demonstrated significant concordance between observed and DDPP-predicted PFS (r = 0.9, p = 0.015) for patients treated with everolimus. Notwithstanding the small cohort and pending further prospective validation, the prototype of DDPP offers the potential to transform patients' treatment selection with a tumor- and treatment-agnostic predictor of outcomes (duration of PFS).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».